Wygenerowana plansza tytułowa o treści „Qwen 4 vs GLM-5.5: model z otwartymi wagami jest tym droższym”, z podtytułem „Najnowszy GLM, który Z.ai faktycznie udostępnia, to GLM-5.3 — 15,8 centa za punkt indeksu wobec 7,6 w Qwen4-Max”. Trzy ponumerowane wiersze zawierają: „wynik indeksu 42,9 wobec 31,7, Artificial Analysis v5.0.1”, „koszt ukończonego zadania indeksu 3,27 USD wobec 5,01 USD” oraz „wagi opublikowane dla GLM-5.3, brak dla Qwen4-Max”. Stopka zawiera: „Wyniki i koszt na zadanie według Artificial Analysis Intelligence Index v5.0.1; ceny według opublikowanego cennika każdego dostawcy”. Płaski styl wektorowy na białym tle z niebiesko-cyjanowymi akcentami, znak OrcaRouter złożony w prawym dolnym rogu.
Guides & Insights

Qwen 4 vs GLM-5.5: model z otwartymi wagami jest tym drogim

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Intuicja dotycząca otwartych wag jest taka, że są tanią opcją. W tym zestawieniu nie są. GLM-5.3, najnowszy G​LM, który Z.ai faktycznie udostępnia, kosztuje 5,01 USD za uruchomienie zestawu indeksów Artificial Analysis i uzyskuje w nim 31,7 punktu — 15,8 centa za punkt indeksu. Qwen4-Max kosztuje 3,27 USD za 42,9 punktu — 7,6 centa za punkt. Model własnościowy jest ponad dwukrotnie wydajniejszy na jednostkę zmierzonej zdolności i to jego nie można pobrać. Tymczasem GLM-5.5, model z tytułu tego artykułu, nie istnieje: indeks dokumentacji i strona cennika Z.ai kończą się na GLM-5.3, a ścieżki dokumentacji dla 5.4 i 5.5 zwracają błąd nieznalezienia. To, co następuje, jest zatem porównaniem z G​LM, który jest dostępny, przy czym brakujący numer wersji jest traktowany jako brakujący numer wersji, a nie jako karta specyfikacji do wymyślenia.

Najpierw karta, która istnieje

GLM-5.3 pojawił się 18 sierpnia 2026 r. na licencji GLM-5.3, z opublikowanymi wagami i wejściem wyłącznie tekstowym. Qwen4-Max przeszedł na rozliczanie za użycie 16 listopada 2026 r., jest własnościowy, ma wejście obrazowe, a Alibaba Cloud jest jego jedynym hostem. Te dwa modele dzieli dziewięćdziesiąt dni w dacie wydania i znajdują się po przeciwnych stronach linii zamknięte/otwarte, która jest osią, wokół której tak naprawdę obraca się ten tekst.

Cena za milion — GLM-5.3: 1,40 USD za wejście / 4,40 USD za wyjście; Qwen4-Max: 1,50 / 4,50 USD w Singapurze, 1,413 / 4,24 USD gdzie indziej. Pod względem stawek za tokeny Z.ai jest tańszą kartą odpowiednio o 7% i 2%.

• Buforowane wejście — GLM-5.3 0,26 USD za milion przy odczycie; Qwen4-Max 0,075 USD, przy czym zapisy do pamięci podręcznej kosztują 1,875 USD za pięć minut i 3,00 USD za godzinę. Odczyt z pamięci podręcznej Qwena jest 3,5× tańszy, dlatego wynik w przeliczeniu na zadanie i wynik w przeliczeniu na token wskazują w różnych kierunkach.

• Kontekst — 1 000 000 tokenów w obu przypadkach. GLM-5.3 ogranicza dane wyjściowe do 128 000; Qwen4-Max pozwala na 131 072 bez rozumowania lub 262 144 współdzielone między rozumowaniem a odpowiedzią.

• Wagi — GLM-5.3 opublikowane, na własnej licencji; Qwen4-Max brak, hosting wyłącznie u jednego dostawcy. To jest cała różnica i wszystko poniżej z niej wynika.

• Modalność — Qwen4-Max obsługuje tekst i obrazy; GLM-5.3 przyjmuje tekst i zwraca tekst. Jeśli Twój potok przetwarzania zasilany jest zrzutami ekranu lub plikami PDF, na tym porównanie się kończy.

• Kontrola rozumowania — GLM-5.3 ma rozumowanie zawsze włączone, z poziomami wysiłku low, high i max, domyślnie max; Qwen4-Max udostępnia low, high i xhigh, domyślnie high.

• Pochodzenie treningowe — Z.ai opisuje GLM-5.3 jako ten sam model bazowy co GLM-5.2, ulepszony poprzez post-training, a nie nowy pretrain. Warto o tym wiedzieć, porównując jego wyniki z modelem o nowej architekturze.

A generated two-column scoreboard titled 'Qwen4-Max vs GLM-5.3 - the scoreboard'. The Qwen4-Max column reads index score 42.9, cost per index task $3.27, cents per index point 7.6, input per million $1.50, output per million $4.50, hallucination rate 28.4%. The GLM-5.3 column reads index score 31.7, cost per index task $5.01, cents per index point 15.8, input per million $1.40, output per million $4.40, hallucination rate 38.9%. A footer reads 'Scores and per-task cost per Artificial Analysis Intelligence Index v5.0.1; prices per each vendor's published rate card.' The OrcaRouter mark is composited bottom right.

Siedem centów kontra szesnaście — wyjaśnienie

Różnica kosztu na punkt nie jest artefaktem polityki cenowej. $5.01 za zadanie w przypadku GLM-5.3 rozkłada się na $4.49 tokenów wejściowych i $0.52 tokenów wyjściowych — 90% to dane wejściowe, a $4.13 z tych danych wejściowych to odczyty z pamięci podręcznej. $3.27 w Qwen4-Max to $2.80 tokenów wejściowych i $0.47 tokenów wyjściowych, przy czym $1.12 to odczyty z pamięci podręcznej, a $1.67 to zapisy do pamięci podręcznej. Oba modele wydają więc prawie nic na tokeny, które generują, a prawie wszystko na ponowne odczytywanie kontekstu.

Różnica polega na tym, ile kontekstu każde z nich zużywa, aby dojść do odpowiedzi. GLM-5.3 odczytuje 10,3 miliarda tokenów wejściowych w całym zestawie i emituje 135 milionów tokenów wyjściowych; Qwen4-Max odczytuje 9,9 miliarda i emituje 127 milionów. Niemal identyczny wolumen. Dziewiętnastopunktowa różnica w wyniku również nie jest więc kwestią wolumenu — po prostu jeden model jest lepszy w tych zadaniach, a różnica kosztu na zadanie wynika z cen pamięci podręcznej, gdzie odczyt za 0,075 USD wobec odczytu za 0,26 USD kumuluje się na przestrzeni dziesięciu miliardów tokenów.

To jest mechanizm, który warto zapamiętać: podczas przebiegów benchmarków długiego kontekstu to stawka odczytu z pamięci podręcznej, a nie główna stawka za dane wejściowe, decyduje o rachunku. Model z ceną 1,40 USD za dane wejściowe i 0,26 USD za odczyt z pamięci podręcznej może kosztować więcej na zadanie niż model z ceną 1,50 USD za dane wejściowe i 0,075 USD za odczyt z pamięci podręcznej.

Gdzie znajduje się dziewiętnaście punktów

• Terminal-Bench 4.0 — Qwen4-Max 48,5%, GLM-5.3 41,9%. Siedem punktów — najbliższy wynik spośród zestawów agentowych.

• FrontierCode 2.0 — 26,5% w porównaniu z 21,6%. Pięć punktów; oba modele wypadają tu słabo w ujęciu absolutnym.

• HLE Diamond — 44,9% wobec 17,9%. Dwadzieścia siedem punktów i największa rozbieżność w całym porównaniu.

• Wszechwiedza — 27,7 wobec 6,0, przy wskaźnikach halucynacji wynoszących odpowiednio 28,4% i 38,9%. GLM-5.3 jest zarówno mniej dokładny, jak i rzadziej powstrzymuje się od odpowiedzi, co stanowi najgorszą z możliwych kombinacji.

• Podwyniki kompetencji — Qwen4-Max przewodzi we wszystkich pięciu, które raportują oba modele: inżynieria 50,1 wobec 37,6, finanse i księgowość 54,1 wobec 42,1, prawo 49,6 wobec 35,8, strategia i operacje 56,9 wobec 47,4 oraz ekonomia 51,3 wobec 37,3.

Nic na tej liście nie jest wystarczająco bliskie, by o tym dyskutować. Ciekawe pytanie nie brzmi, czy Qwen4-Max jest lepszy, ponieważ jest to oczywiste.

A headless-browser screenshot of the Artificial Analysis page for GLM-5.3, captured 17 November 2026 in English, showing Z.ai's mark, the label Open weights model, Released August 2026, the heading GLM-5.3: Intelligence, Performance & Price Analysis, a rank strip reading Intelligence #3 of 29, Performance #21 of 27, Cost #28 of 28 and Verbosity #23 of 29, a statistics row giving a 61.448-second time to first answer token, 87 output tokens per second, $1.40 input and $4.40 output per million tokens, an 81% cache discount, 10.3 billion input tokens and an output-to-input ratio of 1.312%, and the summary paragraph describing the model as among the leading open-weight models in intelligence but particularly expensive against other open-weight models of similar size, notably slow per task and very verbose, with text input, text output and a 1M-token context window.

Jedyna rzecz, której Qwen4-Max nie potrafi zrobić

Każdy z powyższych wierszy jest porównaniem możliwości, a możliwości to niewłaściwa perspektywa, gdy jeden z dwóch modeli można zabrać do domu. Z.ai publikuje wagi GLM-5.3 na własnej licencji; Alibaba nie publikuje nic dla Qwen4-Max i wskazuje tylko jednego hosta. Ta różnica zmienia trzy rzeczy, których nie mierzy żaden benchmark.

• Ciągłość działania — hostowany przez Ciebie model nadal odpowiada, gdy zmienia się strona z cennikiem dostawcy, region zostaje wycofany lub pojawia się powiadomienie o wycofaniu. Qwen4-Max ma na to precedens z 25 listopada 2026 r.: identyfikator wersji zapoznawczej został wycofany dziewięć dni po osiągnięciu ogólnej dostępności, a każda konfiguracja wciąż wskazująca na qwen4-max-preview przestała działać.

• Krzywa kosztów — koszt krańcowy GLM-5.3 staje się Twoim wykorzystaniem GPU. Przy stałym wysokim wolumenie jest to zazwyczaj poniżej stawki API; przy skokowym niskim wolumenie jest gorzej. Punkt przecięcia to kalkulacja wykorzystania, a nie jakości modelu.

• Kontrola — dostrajanie, kwantyzacja, wybór jądra obliczeniowego oraz możliwość sprawdzenia, co robi model. Żadna z tych funkcji nie jest dostępna w Qwen4-Max.

Na tym tle model otwarty jest słabszy o dziewiętnaście punktów indeksu, gorzej radzi sobie z powstrzymywaniem się od odpowiedzi i nie obsługuje obrazów. W przypadku wdrożenia od zera taki kompromis jest nieatrakcyjny. W systemie już zbudowanym wokół własnego stosu wnioskowania — w którym alternatywą dla GLM-5.3 nie jest Qwen4-Max, lecz poprzedni GLM — licencja jest cechą rozstrzygającą, a różnica w wynikach jest kosztem prowadzenia działalności.

Dlaczego to model otwarty jest tym drogim, w jednym zdaniu

Ponieważ otwarte wagi przenoszą koszt z licznika tokenów do budżetu inżynieryjnego, a budżet inżynieryjny nie pojawia się w cenniku. Uruchomienie GLM-5.3 na własnym sprzęcie oznacza planowanie pojemności, stos serwujący, który można łatać, oraz zestaw narzędzi ewaluacyjnych wystarczająco dobry, by stwierdzić, czy Twoje wdrożenie odpowiada wersji referencyjnej — koszty, które przewyższają różnicę 3,27 USD za zadanie przy dowolnym wolumenie obsługiwanym przez jeden zespół. 15,8 centa za punkt indeksu to widoczna liczba; niewidoczna jest większa i płaci się ją raz, niezależnie od tego, czy obsługujesz tysiąc żądań, czy milion.

Ta kalkulacja odwraca się przy skalowaniu, a odwraca się jeszcze mocniej, jeśli potrzebujesz dostrajania. Dostrajanie to jedyny wymóg, który sprawia, że otwarty model jest nie tylko tańszy, lecz wręcz jedyną opcją, i żadna przewaga Qwen4-Max w indeksie tego nie zastąpi.

Wywołanie tego, który jest trasowalny

GLM-5.3 jest w naszym katalogu jako z-ai/glm-5.3 w cenie katalogowej Z.ai, 1,26 USD za dane wejściowe i 3,96 USD za dane wyjściowe za milion, bez doliczania czegokolwiek — takie same stawki, jakie publikuje Z.ai, wraz z wszelkimi wprowadzanymi przez nią zmianami. Qwen4-Max nie znajduje się w naszym katalogu; identyfikator qwen4 zwraca błąd „nie znaleziono”, a jego ścieżka prowadzi przez Model Studio API firmy Alibaba oraz kilka platform zewnętrznych. Najbliższy model Qwen, jaki udostępniamy, to qwen/qwen3.8-max w cenie 2,00 USD i 6,00 USD.

To pozostawia praktyczną sekwencję działań dla każdego, kto chce mocniejszego modelu bez drugiej umowy: uruchom ocenę na z-ai/glm-5.3 przez endpoint, który już masz, a jeśli dziewiętnastopunktowa różnica jest krytyczna dla Twojego przypadku użycia, wyceń Qwen4-Max względem własnej mieszanki tokenów, a nie względem indeksu. Wskaźniki dla poszczególnych zadań w tym artykule są modelowane na podstawie zestawu testowego z wyjątkowo dużym ruchem pamięci podręcznej; obciążenie produkcyjne z krótkimi promptami i długimi wynikami znacznie zmniejszy różnicę między $5.01 a $3.27, ponieważ prawie żadna część żadnego z tych rachunków nie dotyczy wyników.

A headless-browser screenshot of the OrcaRouter model page for GLM-5.3, captured 17 November 2026 in English, showing the identifier z-ai/glm-5.3, the byline Z.ai dated 2026-08-18, a max output of 128K, input listed as text, output listed as text, and a p50 time-to-first-token reading.

Co musielibyśmy zobaczyć

GLM-5.5 zresetowałby to porównanie, a obecnie nie ma po nim śladu — według stanu na 17 listopada 2026 r. na własnych stronach Z.ai nie ma ani ścieżki dokumentacji, ani wiersza cennika, ani identyfikatora modelu. Jeśli zostanie wydany, pytania, jakie należy zadać, to: czy Z.ai publikuje wagi tak jak w przypadku wersji 5.3, czy dodaje obsługę obrazów na wejściu i czy naprawia zachowanie polegające na wstrzymywaniu się od odpowiedzi, ponieważ to właśnie ta ostatnia liczba (38,9%) sprawia, że GLM-5.3 trudno polecić do jakiegokolwiek niezweryfikowanego zastosowania — ważniejsza niż różnica w indeksie.

Tymczasem uczciwe podsumowanie jest nieintuicyjne i krótkie. Otwarty model kosztuje więcej za punkt, wypada gorzej we wszystkich mierzonych zestawach testów i pozostaje właściwym wyborem dokładnie dla jednego rodzaju kupującego: tego, dla którego ograniczeniem jest licencja, a nie benchmark.

Porównane w tym artykule2

Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie